Python数据挖掘建模 chapter_5 神经网络算法
2017-11-08 18:14
337 查看
1.人工神经网络:
(训练数据需要TensorFlow、keras、pandas等相关64位Python库)
数据举例:
。。。
data[data == u'yes'] = 1
data[data == u'high'] = 1
data[data != 1] = 0
x = data.iloc[:,:3].as_matrix().astype(int)
y = data.iloc[:,3].as_matrix().astype(int)
from keras.models import Sequential
from keras.layers.core import Dense, Activation
model = Sequential() #建立模型
model.add(Dense(input_dim = 3, output_dim = 10))
model.add(Activation('relu')) #用relu函数作为激活函数,能够大幅提供准确度
model.add(Dense(input_dim = 10, output_dim = 1))
model.add(Activation('sigmoid')) #由于是0-1输出,用sigmoid函数作为激活函数
model.compile(loss = 'binary_crossentropy', optimizer = 'adam')
#编译模型。由于我们做的是二元分类,所以我们指定损失函数为binary_crossentropy,求解方法我们指定用adam,还有sgd、rmsprop等可选
model.fit(x, y, nb_epoch = 500, batch_size = 10) #训练模型,学习500次
yp = model.predict_classes(x).reshape(len(y)) #分类预测
#from cm_plot import * #导入自行编写的混淆矩阵可视化函数
#cm_plot(y,yp).show() #显示混淆矩阵可视化结果
print y
print yp
BP神经网络 | 误差逆传播算法训练的多层前馈网络 |
LM神经网络 | 基于梯度下降和牛顿法结合点多层前馈网络,迭代少,精度高 |
RBF径向积神经网络 | 可以任意精度逼近连续函数,适合解决分类问题 |
FNN模糊神经网络 | 具有模糊系数或输入信号是模糊量的神经网络 |
GMDH神经网络 | 多项式神经网络,前馈神经网络中用于预测的不稳定结构网络 |
ANFIS自适应神经网络 | 全模糊结构,可自动产生、修正并高度概括规则 |
数据举例:
num | wealth | weekend | p_sale | num_sale |
1 | bad | yes | yes | high |
2 | bad | yes | yes | high |
3 | bad | yes | yes | high |
4 | bad | no | yes | high |
5 | bad | yes | yes | high |
6 | bad | no | yes | high |
7 | bad | yes | no | high |
8 | good | yes | yes | high |
9 | good | yes | no | high |
data[data == u'yes'] = 1
data[data == u'high'] = 1
data[data != 1] = 0
x = data.iloc[:,:3].as_matrix().astype(int)
y = data.iloc[:,3].as_matrix().astype(int)
from keras.models import Sequential
from keras.layers.core import Dense, Activation
model = Sequential() #建立模型
model.add(Dense(input_dim = 3, output_dim = 10))
model.add(Activation('relu')) #用relu函数作为激活函数,能够大幅提供准确度
model.add(Dense(input_dim = 10, output_dim = 1))
model.add(Activation('sigmoid')) #由于是0-1输出,用sigmoid函数作为激活函数
model.compile(loss = 'binary_crossentropy', optimizer = 'adam')
#编译模型。由于我们做的是二元分类,所以我们指定损失函数为binary_crossentropy,求解方法我们指定用adam,还有sgd、rmsprop等可选
model.fit(x, y, nb_epoch = 500, batch_size = 10) #训练模型,学习500次
yp = model.predict_classes(x).reshape(len(y)) #分类预测
#from cm_plot import * #导入自行编写的混淆矩阵可视化函数
#cm_plot(y,yp).show() #显示混淆矩阵可视化结果
print y
print yp
相关文章推荐
- Python数据挖掘建模_chapter_1
- Python数据挖掘建模 chapter_3 聚类
- Python数据挖掘建模 chapter_7 关联规则
- Python数据挖掘建模 chapter_2决策树
- Python数据挖掘建模 chapter_4 相关性分析
- Python数据挖掘建模 chapter_6 主成分分析(简)
- Python数据挖掘建模 chapter_8 时间序列算法
- 『Python数据分析与挖掘实战』第五章:挖掘建模
- 【Python数据分析】2nd-挖掘建模
- python数据分析与挖掘学习笔记(7)-交通路标自动识别实战与神经网络算法
- Python数据分析与挖掘实战—挖掘建模
- Python笔记-数据挖掘建模过程
- 基于python的数据挖掘
- python数据挖掘01--python基础
- 数据挖掘及其建模
- python数据挖掘入门与实战——学习笔记(第3、4章)
- 数据挖掘与数据建模的9大定律
- python数据挖掘笔记(2)—模型建立
- AdMaster技术副总裁谈Hadoop、营销数据、Python和挖掘平台
- python数据挖掘需要的第三方库学习